Vente croisée B2B avec score prédictif

Contexte & Objectifs

Une entreprise de services B2B devait développer son agilité analytique et gagner en efficacité pour booster ses résultats commerciaux. 

L'entreprise souhaitait contacter ses clients susceptibles de souscrire à des produits et services additionnels. Le défi consistait à identifier précisément les opportunités de cross-selling au sein de la base clients existante pour cibler efficacement les campagnes. Savoir où investir son temps et ses efforts est crucial pour la rentabilité. Avec des données dispersées dans plusieurs sources et systèmes, il leur était impossible de centraliser ces éléments pour en extraire des insights commerciaux de valeur. 

L'équipe marketing créait elle-même les listes de contacts pour les campagnes de cross-selling. Elle consacrait ainsi de nombreux jours-hommes chaque année à analyser et rassembler des opportunités clients potentielles. 

Notre client a donc décidé de se concentrer sur le cross-selling et les recommandations pour améliorer son efficacité, sa rentabilité et sa performance client. Ils ont fait appel à Agilytic pour déployer rapidement une solution leur permettant de cibler les cas à fort potentiel de vente croisée, tout en recommandant les meilleures tactiques à l'équipe commerciale.

Approche

Nous avons collaboré avec les équipes data, stratégie et marketing pour garantir un impact maximal. Avant de démarrer, nous avons animé un workshop avec les propriétaires des sources de données afin d'identifier les données clés.

D'abord, nous avons rassemblé les données pour prédire le comportement des clients et identifier les profils clients idéaux. Nous avons exploité quatre sources de données (un CRM, un outil de gestion des commandes en attente, un outil de ticketing et un outil de marketing automation) pour cartographier le comportement et les habitudes d'achat des clients, facilitant ainsi leur scoring. 

Après cette phase de collecte et de préparation analytique, nous avons scoré les clients. Nous avons réalisé l'extraction des données des différents systèmes, l'analyse de données (saisonnalité des ventes, qualité des données), le feature engineering (agrégations, fusion de sources, nettoyage, définition et création de la cible), la modélisation, la prédiction et, enfin, l'explication des modèles.

Au final, nous avons créé trois modèles. Chaque modèle fournit un score de cross-selling pour un produit spécifique et sur un horizon temporel précis, par exemple:

1. Le client va-t-il acheter le (produit 1) dans les 12 prochains mois?

2. Le client va-t-il acheter le (produit 2) dans les trois prochains mois?

3. Le client va-t-il acheter le (produit 3) dans les 12 prochains mois?

Nous avons collaboré étroitement avec notre client pour valider les résultats tout au long du processus. Ensemble, nous avons revu les hypothèses de travail pour garantir la qualité finale du modèle et son adoption par les équipes. Nous avons testé le modèle pour évaluer sa fiabilité dans le temps. En plus d'un algorithme directement opérationnel, notre client a reçu des explications détaillées sur les facteurs d'influence.

Livrables fournis:

• Scores de cross-selling par client (.csv)

• Code documenté sur la VM où les modèles ont été créés (.py, .ipynb, .md)

• Description des modèles et recommandations (.ppt)

Résultats

En moins de 30 jours de travail, nous avons développé un modèle qui...

• extrait les données de différentes sources,

• analyse les données,

• modélise,

• génère des prédictions,

• et fournit des explications

Grâce à ces modèles de cross-selling, l'équipe marketing gagne un temps précieux grâce à une approche purement analytique. Notre client peut désormais s'appuyer sur les scores prédictifs pour cibler précisément les clients lors de ses campagnes.